SPATIAL ACCESSIBILITY OF LARGE GENERAL HOSPITALS IN CHANGCHUN CITY CENTER BASED ON STREET NETWORK CENTRALITY
Notice bibliographique
Résumé
Street network centrality is calibrated in a multiple centrality assessment model(MCA)composed of multiple measures such as closeness, betweenness, and straightness. By using UNA developed by MIT,the paper will discuss the spatial accessibility of large general hospitals from the perspective of street network centrality. Firstly, the paper examines the street centrality indices in Changchun. Secondly, by creating buffer of every large general hospital, the research will calculating the average value of the street centrality indices(closeness and betweenness), which can be used as the quotas of the spatial accessibility of large general hospitals. Thirdly, the Kriging method is applied to street centralities so that the spatial distribution characteristics of it can be explained. Besides, the relationship between the spatial accessibility of large general hospitals and the distances to Renmin square are showed by correlation coefficient and regression model.Fourthly, all of the street network distance of every large general hospital to Renmin square is divided into eight segments to calculate the average value of the spatial accessibility of large general hospitals, which will be z-standardized. And then the conditions of two spatial accessibility indices of large general hospitals with the change of distances to Renmin square will be compared. Lastly, the spatial accessibility of large general hospitals will be classified into eight types, including H-H-L, H-H-H, H-L-L, H-L-H, L-H-L, L-H-H, L-L-L,L-L-H.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».